[发明专利]一种基于神经网络的钻井液含砂量的测量方法和设备

权利要求书

1.一种基于神经网络的钻井液含砂量的测量方法，其特征在于，包括：

采集泥浆的性能参数；

筛选所述性能参数，根据筛选后的所述性能参数计算获得赫谢尔-巴尔克莱三参数，将所述筛选后的性能参数和赫谢尔-巴尔克莱三参数作为输入参数；具体的，筛选所述泥浆的性能参数，获得输入参数包括：

采集多组不同含砂量的泥浆的密度、马氏漏斗粘度、旋转粘度和含砂量；

剔除所述密度、所述马氏漏斗粘度、所述旋转粘度、和所述含砂量中的异常数据；

利用剔除异常数据后的所述旋转粘度计算赫谢尔-巴尔克莱三参数、表观粘度和塑性粘度；

将剔除异常数据后的所述密度、所述马氏漏斗粘度、所述旋转粘度、所述赫谢尔-巴尔克莱三参数、所述表观粘度和所述塑性粘度作为ANN神经网络模型的输入参数，将剔除异常数据后的所述含砂量作为所述ANN神经网络模型的输出参数；

对所述输入参数进行数据扩展和划分，得到训练集、验证集和测试集；

构建ANN神经网络模型，利用训练集和验证集迭代训练并验证所述ANN神经网络模型；

利用测试集评估训练后的所述ANN神经网络模型的预测效果，利用满足预设预测效果的所述ANN神经网络模型测量钻井液的含砂量。

2.如权利要求1所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，对所述输入参数进行数据扩展和划分，得到训练集、验证集和测试集包括：

对剔除异常数据后的所述密度、马氏漏斗粘度、旋转粘度、含砂量和赫谢尔-巴尔克莱三参数分别利用三次样条法进行插值扩展，获得对应的扩展数据；

将对应的所述扩展数据分别划分为训练集、验证集和测试集。

3.如权利要求1所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，利用剔除异常数据后的旋转粘度计算赫谢尔-巴尔克莱三参数包括步骤：

基于剔除异常数据后的旋转粘度，利用公式一计算赫谢尔-巴尔克莱三参数流变模型的动切力τ_y，公式一为：

τ_y＝0.511θ₃

其中，θ₃为旋转粘度计3r/min时测得的刻度盘读数；

基于剔除异常数据后的旋转粘度，利用公式二计算赫谢尔-巴尔克莱三参数流变模型的流体行为指数n，公式二为:

n＝3.322lg[(θ₆₀₀-θ₃)/(θ₃₀₀-θ₃)]

其中，θ₆₀₀、θ₃₀₀和θ₃分别为旋转粘度计测得的600r/min、300r/min和3r/min时的读数；

基于剔除异常数据后的旋转粘度，利用公式三计算赫谢尔-巴尔克莱三参数流变模型的流体稠度K,公式三为:

K＝0.511(θ₃₀₀-θ₃)/511ⁿ。

4.如权利要求2所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，构建ANN神经网络模型，利用训练集和验证集迭代训练所述ANN神经网络模型包括：

构建基于钻井液粘度的ANN神经网络模型和基于赫谢尔-巴尔克莱三参数流变模式的ANN神经网络模型；

将基于剔除异常数据后的所述密度、所述马氏漏斗粘度和所述旋转粘度，以及基于所述表观粘度和所述塑性粘度划分的所述训练集和所述验证集，输入所述基于钻井液粘度的ANN神经网络模型进行迭代训练并验证训练效果；

将基于剔除异常数据后的所述密度、所述马氏漏斗粘度和所述旋转粘度，以及基于所述赫谢尔-巴尔克莱三参数划分的所述训练集和所述验证集，输入所述基于赫谢尔-巴尔克莱三参数流变模式的ANN神经网络模型进行迭代训练并验证训练效果。

5.如权利要求1所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，利用训练集和验证集迭代训练所述ANN神经网络模型包括：

在模型训练时，还利用编程方法生成训练噪音，模拟钻进过程中的环境因素对采集数据的干扰。